Esplora le opzioni seguenti.

Abbiamo esaminato un processo per l'utilizzo di un set di test e di un set di addestramento per incentivare le iterazioni dello sviluppo di modelli. Per ogni iterazione, addestriamo i dati di addestramento e valutiamo i dati di test, utilizzando i risultati di valutazione sui dati di test per guidare le scelte e le modifiche a vari iperparametri come la frequenza e le caratteristiche di apprendimento. C'è qualcosa che non va in questo approccio? (Scegli solo una risposta).

Bene, stiamo addestrando i dati di addestramento e valutando i dati di test separati e non sottoposti a test.

In realtà c'è un problema sottile. Pensa a cosa potrebbe succedere in caso di tante, numerose iterazioni di questo modulo.

Eseguire molti passaggi di questa procedura potrebbe far sì che ci adattiamo implicitamente alle particolarità del nostro set di test specifico.

Certo. Più spesso valutiamo un determinato set di test, più siamo a rischio di adattarsi implicitamente a quel set. Esamineremo un protocollo migliore.

Questo approccio è inefficiente dal punto di vista dei calcoli. Dovremmo semplicemente scegliere un insieme predefinito di iperparametri e vivere con loro per risparmiare risorse.

Anche se questi tipi di iterazioni sono costosi, sono una parte fondamentale dello sviluppo del modello. Le impostazioni degli iperparametri possono fare un'enorme differenza nella qualità del modello e dobbiamo sempre impostare un certo periodo di tempo e risorse di calcolo per assicurarci di ottenere la migliore qualità possibile.